典型文献
融合点、体素和对象特征的多基元点云分类
文献摘要：
单一基元分类方法难以全面描述复杂的点云场景,采用多基元进行分类成为一种趋势,提出了一种融合点、体素和对象特征的点云分类方法.主要包括4个方面:①分别确定各层面分类基元,点基元方面采用最优邻域方法,体素基元方面基于八叉树方法进行体素划分,对象基元方面使用改进的多要素分割方法进行点云分割;②提取各基元分类特征,首先提取点基元分类特征并进行局部线性约束编码(Locality-constrained Linear Coding,LLC),然后以此为基础提取体素基元和对象基元的潜在狄利克雷分布特征(Latent Dirichlet Allocation,LDA)和最大池化特征(Max Pooling,MP);③降低分类特征维度,利用随机森林变量重要性算法对分类特征进行筛选与降维;④进行点云分类,使用随机森林算法实现点云分类.采用3种不同类型的点云数据进行试验,结果表明融合3种基元特征的分类精度相比于点基元分类分别提升了1.43％、7.02％和2.48％,分类特征降维可以有效降低特征冗余度,分类器分类时间减少约70％;通过与其他算法的对比,新算法分类精度更优,且适用于多种场景点云数据的分类.
文献关键词：
遥感;激光雷达;点云分类;多基元分类;基元构建;特征提取;特征降维;随机森林
中图分类号：
作者姓名：
汪文琪;李宗春;付永健;熊峰;赵昭明;何华
作者机构：
中国人民解放军战略支援部队信息工程大学地理空间信息学院,郑州450001;北京遥感信息研究所,北京100192;中国人民解放军93920部队,西安710001
文献出处：
引用格式：
[1]汪文琪;李宗春;付永健;熊峰;赵昭明;何华-.融合点、体素和对象特征的多基元点云分类)[J].地球信息科学学报,2022(02):365-377
A类：
多基元,局部线性约束,多基元分类,基元构建
B类：
融合点,点云分类,分类方法,云场景,最优邻域,八叉树,多要素,分割方法,行点,点云分割,分类特征,取点,Locality,constrained,Linear,Coding,LLC,潜在狄利克雷分布,Latent,Dirichlet,Allocation,LDA,最大池化,Max,Pooling,MP,变量重要性,随机森林算法,算法实现,点云数据,元特征,分类精度,特征降维,冗余度,分类器,新算法,算法分类,景点,激光雷达
AB值：
0.336562
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
